问题描述
背景
在 XHTML 文档中将直引号转换为卷曲引号和撇号。给定带有直引号（" 和 '）的文档，执行一些预处理以将直引号转换为其卷曲的语义等价物（“、”、 ‘、’ 和 '）。通常，卷曲字符 ’ 用于结束单引号（’）和撇号（'），但这会丢失语义 em> 意思，我想通过使用实体来保留它——以便随后翻译成 TeX（例如，\quote{outer \quote{we’re inside quotes} outer}）。因此：
Markdown -> XHTML (straight) -> XHTML (curled) -> TeX
代码使用了 Java 的内置文档对象模型 (DOM) 类。
问题
调用 Node 的 setTextContent 方法将对任何 & 符号进行双重编码，导致：
“I reckon,I'm 'bout dat.”
“Elizabeth Davenport;” she said ‘Elizabeth’ to be dignified,“and really my father owns the place.”
而不是：
“I reckon,I'm 'bout dat.”
“Elizabeth Davenport;” she said ‘Elizabeth’ to be dignified,“and really my father owns the place.”
通过设置处理指令来禁用和启用似乎不起作用。
代码
这是walk一棵树的代码：
public static void walk(
final Document document,final String xpath,final Consumer<Node> consumer ) {
assert document != null;
assert consumer != null;
try {
final var expr = lookupXPathExpression( xpath );
final var nodes = (NodeList) expr.evaluate( document,NODESET );
if( nodes != null ) {
for( int i = 0,len = nodes.getLength(); i < len; i++ ) {
consumer.accept( nodes.item( i ) );
}
}
} catch( final Exception ex ) {
clue( ex );
}
}
这是用卷曲等价物替换引号的代码：
walk(
xhtml,"//*[normalize-space( text() ) != '']",node -> node.setTextContent( sConverter.apply( node.getTextContent() ) )
);
其中 xhtml 是 Document 和 sConverter 卷曲引号。
问题
如何指示 DOM 接受 ' 和朋友而不重新编码＆符号？
相关
半相关问题：
- How to disable/avoid Ampersand-Escaping in Java-XML?
- Disable automatic ampersand escaping in XML?
- XML DOM setTextContent
- Java XML Parsing: Avoid entity reference resolution
- https://stackoverflow.com/a/36097922/59087
解决方法
更改预处理以将直引号替换为 Unicode 字符，而不是无效的 XML 实体。这些实体由 HTML 定义，不是有效的 XML。
-
from django.core.exceptions import ValidationError class OrderLine(models.Model): order = models.ForeignKeyField( Order,on_delete=models.CASCADE ) loading_date = models.DateField() def clean(self): if self.loading_date < self.order.order_date: raise ValidationError('Can not load before ordering') return super().clean()应该是“或“，如果写成 Java 文字 -
\u201C应该是”或”，如果写成 Java 文字 -
\u201D应该是‘或‘，如果写成 Java 文字 -
\u2018应该是’或’，如果写成 Java 文字 -
\u2019应该是'
XML 处理器可以随意地将字符和字符实体视为可互换的，因此尝试使用字符实体来表示语义是注定要失败的。
我会改用标记。我怀疑自定义处理指令是“秘密”添加语义的好方法：
<text>"She told me,'Don't forget the bread.'"</text>
会变成：
<text><?q?>“She told me,<?q?>‘Don’t forget the bread.<?q?>’<?q?>”</text>
其中 <?q?> 处理指令是一个信号，表明以下代码点具有作为引号的语义。
当然，如果需要，您可以拥有多个自定义处理指令：
<text><?quote-start?>“She told me,<?quote-start?>‘Don't forget the bread.<?quote-end?>’<?quote-end?>”</text>
就其价值而言，XHTML defines its own <quote> element 可以处理这种确切情况。
（常规 HTML has a <q> element 语义相似，但也告诉浏览器自动呈现引号，这意味着使用 <q> 的 HTML 文档不得包含自己的引号。）